语言大模型 / LLM

Medical Interpretability and Knowledge Maps of Large Language Models

大语言模型的医疗可解释性与知识图谱

Razvan Marinescu, Victoria-Elisabeth Gruber, Diego Fajardo

机构 * Lumos AI 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究通过四种技术分析大语言模型在医疗领域的可解释性，揭示医学知识在模型中的存储位置及处理机制，为后续医疗任务的模型优化提供指导。

Comments 29 pages, 34 figures, 5 tables

Predicting New Research Directions in Materials Science using Large Language Models and Concept Graphs

利用大语言模型和概念图预测材料科学的新研究方向

Thomas Marwitz, Alexander Colsmann, Ben Breitung, Christoph Brabec, Christoph Kirchlechner, Eva Blasco, Gabriel Cadilha Marques, Horst Hahn, Michael Hirtz, Pavel A. Levkin, Yolita M. Eggeler, Tobias Schlöder, Pascal Friederich

机构 * Institute of Theoretical Informatics, Karlsruhe Institute of Technology（理论信息学院，卡尔斯鲁厄技术大学） ； Material Research Center for Energy Systems, Karlsruhe Institute of Technology（能源系统材料研究中心，卡尔斯鲁厄技术大学） ； Institute of Nanotechnology, Karlsruhe Institute of Technology（纳米技术学院，卡尔斯鲁厄技术大学） ； Department of High Throughput Methods in Photovoltaics, Forschungszentrum Jülich GmbH（光伏高通量方法部门，焦耳研究中心 GmbH） ； Department of Materials Science and Engineering, Institute of Materials for Electronics and Energy Technology (i-MEET), Friedrich-Alexander-Universität Erlangen-Nürnberg（材料科学与工程系，电子与能源技术材料研究所（i-MEET），埃尔朗根-纽伦堡弗里德里希-亚历山大大学） ； Institute for Applied Materials, Karlsruhe Institute of Technology（应用材料研究所，卡尔斯鲁厄技术大学） ； Institute for Molecular Systems Engineering and Advanced Materials, Heidelberg University（分子系统工程与先进材料研究所，海德堡大学） ； Department of Materials Science and Engineering, University of Arizona（材料科学与工程系，亚利桑那大学） ； Institute of Biological and Chemical Systems – Functional Molecular Systems（生物与化学系统研究所——功能分子系统） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.LG

AI总结 本研究利用大语言模型和概念图，通过分析科学文献中的语义信息，预测材料科学领域的新研究方向，提升科研创新效率。

DL$^3$M: A Vision-to-Language Framework for Expert-Level Medical Reasoning through Deep Learning and Large Language Models

DL$^3$M: 一种通过深度学习和大语言模型实现专家级医学推理的视觉-语言框架

Md. Najib Hasan, Imran Ahmad, Sourav Basak Shuvo, Md. Mahadi Hasan Ankon, Sunanda Das, Nazmul Siddique, Hui Wang

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 DL$^3$M通过结合深度学习和大语言模型，实现专家级医学推理，但当前LLMs在高风险医疗决策中仍不可靠。

Comments This work was submitted without the consent of my current adviser. Additionally, it overlaps with my unpublished research work. In order to avoid potential academic and authorship conflicts, I am requesting withdrawal of the paper

FOCA: Frequency-Oriented Cross-Domain Forgery Detection, Localization and Explanation via Multi-Modal Large Language Model

FOCA：基于多模态大语言模型的频率导向跨域伪造检测、定位与解释

Zhou Liu, Tonghua Su, Hongshi Zhang, Fuxiang Yang, Donglin Di, Yang Song, Lei Fan

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； DZ-Matrix ； Guangdong Laboratory of Artificial Intelligence and Digital Economy（广东省人工智能与数字经济实验室） ； Chongqing Research Institute of HIT（哈尔滨工业大学重庆研究院） ； University of New South Wales（新南威尔士大学） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 FOCA通过多模态大语言模型整合空间与频域特征，实现图像伪造的高精度检测、定位及可解释性解释，优于现有方法。

LLM-Assisted Replication for Quantitative Social Science

大语言模型辅助的定量社会科学复制

So Kubota, Hiromu Yakura, Samuel Coavoux, Sho Yamada, Yuki Nakamura

机构 * Graduate School of Economics, Tohoku University（东北大学经济学研究生院） ； Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所） ； CREST, ENSAE, Institut Polytechnique de Paris（巴黎高等理工学院CREST与ENSAE） ； Graduate School of Public Policy, The University of Tokyo（东京大学公共政策研究生院） ； Faculty of Engineering, The University of Tokyo（东京大学工学部） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究提出基于大语言模型的自动化系统，用于复制社会科学论文的统计分析并检测潜在问题，旨在提升研究的可验证性和完整性。

When AI Democratizes Exploitation: LLM-Assisted Strategic Manipulation of Fair Division Algorithms

当AI普及操纵：LLM辅助的公平分配算法战略操纵

Priyanka Verma, Balagopal Unnikrishnan

专题命中 领域大模型 ：LLM(title)；large language model(abstract)；language model(abstract)

AI总结 本文研究了LLM如何通过简化策略知识获取，使用户能操纵公平分配算法，揭示了协调偏好操纵在资源分配中的应用及影响。

Comments accepted at NeurIPS 2025 workshop on Algorithmic Collective Action

See-in-Pairs: Reference Image-Guided Comparative Vision-Language Models for Medical Diagnosis

See-in-Pairs: 用于医学诊断的参考图像引导的比较视觉-语言模型

Ruinan Jin, Gexin Huang, Xinwei Shen, Qiong Zhang, Yan Shuo Tan, Xiaoxiao Li

机构 * Electrical and Computer Engineering Department, The University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系） ； Vector Institute（向量研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Renmin University of China（中国人民大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；SFT(abstract)

AI总结 See-in-Pairs通过引入参考图像引导的比较机制，提升医学视觉-语言模型的诊断性能，增强样本效率和视觉-文本对齐。

Comments 25 pages, four figures

SOP-Bench: Complex Industrial SOPs for Evaluating LLM Agents

SOP-Bench：复杂工业SOP用于评估LLM代理

Subhrangshu Nandi, Arghya Datta, Rohith Nama, Udita Patel, Nikhil Vichare, Indranil Bhattacharya, Prince Grover, Shivam Asija, Giuseppe Carenini, Wei Zhang, Arushi Gupta, Sreyoshi Bhaduri, Jing Xu, Huzefa Raja, Shayan Ray, Aaron Chan, Esther Xu Fei, Gaoyuan Du, Zuhaib Akhtar, Harshita Asnani, Weian Chan, Ming Xiong, Francesco Carbone, Jeetu Mirchandani

机构 * Amazon（亚马逊公司） ； ex-Amazon（前亚马逊） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；分类 cs.AI

AI总结 SOP-Bench通过真实工业SOP任务评估LLM代理性能，揭示模型升级和领域影响的复杂性。

Comments Under review

TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection

TimeRadar: 一个用于时间序列异常检测的领域可旋转基础模型

Hui He, Hezhe Qiao, Yutong Chen, Kun Yi, Guansong Pang

机构 * School of Computing and Information Systems（计算与信息系） ； Singapore Management University（新加坡管理大学） ； Chongqing Institute of Green and Intelligent Technology（绿色与智能技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； State Information Center（信息中心） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.LG

AI总结 TimeRadar通过分数时间-频率域旋转和FTFRecon组件实现跨不同数据集的通用时间序列异常检测。

U2-BENCH: Benchmarking Large Vision-Language Models on Ultrasound Understanding

U2-BENCH：在超声理解上评估大视觉-语言模型的基准测试

Anjie Le, Henan Liu, Yue Wang, Zhenyu Liu, Rongkun Zhu, Taohan Weng, Jinze Yu, Boyang Wang, Yalun Wu, Kaiwen Yan, Quanlin Sun, Meirui Jiang, Jialun Pei, Siya Liu, Haoyun Zheng, Zhoujun Li, Alison Noble, Jacques Souquet, Xiaoqing Guo, Manxi Lin, Hongcheng Guo

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.LG

AI总结 U2-BENCH首次提出评估大视觉-语言模型在超声理解上的基准测试，涵盖分类、检测、回归和文本生成任务，评估23种最新模型，揭示其在图像分类上的优势及在空间推理和临床语言生成上的挑战。

Journal ref ICLR 2026

Foundation Model Priors Enhance Object Focus in Feature Space for Source-Free Object Detection

基础模型先验增强特征空间中的目标聚焦以实现无源目标检测

Sairam VCR, Rishabh Lalla, Aveen Dayal, Tejal Kulkarni, Anuj Lalla, Vineeth N Balasubramanian, Muhammad Haris Khan

机构 * IIT Hyderabad（印度海得拉尔理工学院） ； MBZUAI, Abu Dhabi（阿布扎赫尔MBZUAI） ； UC San Diego（圣地亚哥大学） ； IIT Jodhpur（乔普尔理工学院） ； Microsoft Research India（微软印度研究院） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)

AI总结 FALCON-SFOD通过增强特征空间中的目标聚焦，利用基础模型先验和噪声鲁棒伪标签方法，提升无源目标检测在领域偏移下的性能。

Comments Accepted at CVPR 2026

Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents

基于LLM代理的ROS 2系统层次结构架构建模与恢复

Mohamed Benchat, Dominique Briechle, Raj Chanchad, Mitbhai Chauhan, Meet Chavda, Ruidi He, Dhruv Jajadiya, Dhruv Kapadiya, Nidhiben Kaswala, Daniel Osterholz, Andreas Rausch, Meng Zhang

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 本文提出基于UML的ROS 2系统层次结构架构建模方法，并结合LLM代理实现从代码和配置文件中自动化恢复架构模型，提升系统可靠性。

SIDEKICK: A Semantically Integrated Resource for Drug Effects, Indications, and Contraindications

SIDEKICK: 一种集成语义的药物效应、适应症和禁忌症资源

Mohammad Ashhad, Olga Mashkova, Ricardo Henao, Robert Hoehndorf

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 SIDEKICK通过语义集成药物效应、适应症和禁忌症，提升药物再利用中的副作用相似性分析能力。

Toward Self-Driving Universities: Can Universities Drive Themselves with Agentic AI?

迈向自动驾驶大学：大学能否通过代理AI实现自我驱动？

Anis Koubaa

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 本研究提出通过代理AI实现高等教育机构的自主性框架，旨在自动化行政、学术和质量保证流程，减少教师文书工作时间，提升教育质量和研究生产力。

Journal ref Springer Book: Next Generation AI-Driven Education - 2026

How Do LLMs Encode Scientific Quality? An Empirical Study Using Monosemantic Features from Sparse Autoencoders

大语言模型如何编码科学质量？通过稀疏自编码器的单义特征进行实证研究

Michael McCoubrey, Angelo Salatino, Francesco Osborne, Enrico Motta

机构 * Knowledge Media Institute, The Open University, Walton Hall, Milton Keynes, MK7 6AA, United Kingdom（开放大学知识媒体学院） ； Department of Business and Law, University of Milano Bicocca, Milan, IT（米兰比可卡大学商学院） 纠错

专题命中 领域大模型 ：language model(abstract,comments)；large language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过稀疏自编码器的单义特征研究，揭示了大语言模型如何编码科学质量的多个维度。

Comments Presented at SESAME 2025: Smarter Extraction of ScholArly MEtadata using Knowledge Graphs and Language Models, @ JCDL 2025

Evaluating LLMs' Divergent Thinking Capabilities for Scientific Idea Generation with Minimal Context

评估LLMs在科学想法生成中的发散思维能力：基于最小上下文

Kai Ruan, Xuan Wang, Jixiang Hong, Peng Wang, Yang Liu, Hao Sun

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Bank of China（中国银行） ； School of Engineering Science, University of Chinese Academy of Sciences（中国科学院大学工程科学学院） ； State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences（中国科学院力学研究所非线性力学重点实验室） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出LiveIdeaBench，通过单关键词提示评估LLMs在科学想法生成中的发散思维能力，揭示通用智能指标无法有效预测该能力，表明需专门的评估基准和不同的训练策略来提升科学想法生成能力。

Comments Updated manuscript and title

SHIELD: Semantic Heterogeneity Integrated Embedding for Latent Discovery in Clinical Trial Safety Signals

SHIELD：语义异质性整合嵌入用于临床试验安全信号的潜在发现

Francois Vandenhende, Anna Georgiou, Theodoros Psaras, Ellie Karekla

机构 * ClinBAY Limited（ClinBAY有限公司） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 SHIELD通过整合语义异质性嵌入技术，提升临床试验中安全信号检测与因果解释的准确性。

Comments 3 figures, 1 table

Agentic Problem Frames: A Systematic Approach to Engineering Reliable Domain Agents

代理问题框架：一种系统化的方法用于工程可靠领域代理

Chanjin Park

机构 * Institute of Engineering Research（工程研究所） ； Seoul National University（首尔国立大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究提出代理问题框架（APF），通过系统化工程方法提升领域代理的可靠性，结合AJD规范工具和AVR循环实现任务要求的渐近收敛。

Comments 18 pages, 2 figures

NutriOrion: A Hierarchical Multi-Agent Framework for Personalized Nutrition Intervention Grounded in Clinical Guidelines

NutriOrion：一种基于临床指南的个性化营养干预分层多智能体框架

Junwei Wu, Runze Yan, Hanqi Luo, Darren Liu, Minxiao Wang, Kimberly L. Townsend, Lydia S. Hartwig, Derek Milketinas, Xiao Hu, Carl Yang

机构 * Emory University（埃默里大学） ； Texas Woman's University（德克萨斯女子大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 NutriOrion通过分层多智能体框架实现个性化营养干预，结合多目标优先级算法和安全约束机制，有效解决多病共存患者的饮食需求冲突与临床有效性问题。

Developing a Multi-Agent System to Generate Next Generation Science Assessments with Evidence-Centered Design

开发一个多智能体系统以生成下一代科学评估并采用证据中心设计

Yaxuan Yang, Jongchan Park, Yifan Zhou, Xiaoming Zhai

机构 * AI4STEM Education Center, University of Georgia（AI4STEM教育中心，佐治亚大学） ； Department of Educational Psychology, University of Georgia（教育心理学系，佐治亚大学） ； School of Computing, University of Georgia（计算学院，佐治亚大学） ； Department of Mathematics, Science, and Social Studies Education, University of Georgia（数学、科学与社会科学教育系，佐治亚大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究提出将证据中心设计整合到多智能体系统中，以自动生成符合NGSS的评估项目，发现AI生成的项目在包容性方面表现良好，但存在清晰性和多模态设计的局限。

Comments Under review

Decoupling Vision and Language: Codebook Anchored Visual Adaptation

解耦视觉与语言：基于代码本的视觉适应

Jason Wu, Tianchen Zhao, Chang Liu, Jiarui Cai, Zheng Zhang, Zhuowei Li, Aaditya Singh, Xiang Xu, Mani Srivastava, Jonathan Wu

机构 * AWS ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 领域大模型 ：LLM(abstract)；language model(abstract)

AI总结 CRAFT通过离散代码本解耦视觉与语言，实现无需修改其他部分的领域适应，提升LVLMs性能。

Comments 17 pages, accepted to CVPR2026 main conference

US-JEPA: A Joint Embedding Predictive Architecture for Medical Ultrasound

US-JEPA：一种用于医学超声的联合嵌入预测架构

Ashwath Radhachandran, Vedrana Ivezić, Shreeram Athreya, Ronit Anilkumar, Corey W. Arnold, William Speier

机构 * Biomedical AI Research Lab, University of California, Los Angeles, USA（生物医学人工智能研究实验室，加州大学洛杉矶分校） ； Department of Bioengineering, University of California, Los Angeles, USA（生物工程系，加州大学洛杉矶分校） ； Medical Informatics Home Area, University of California, Los Angeles, USA（医学信息学家庭区域，加州大学洛杉矶分校） ； Department of Electrical and Computer Engineering, University of California, Los Angeles, USA（电气与计算机工程系，加州大学洛杉矶分校） ； Department of Pathology, University of California, Los Angeles, USA（病理学系，加州大学洛杉矶分校） ； Department of Radiology, University of California, Los Angeles, USA（放射学系，加州大学洛杉矶分校） 纠错

专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 US-JEPA提出了一种自监督框架，通过静态教师不对称潜在训练目标，提升超声图像的稳健表示能力。

TextME: Bridging Unseen Modalities Through Text Descriptions

TextME: 通过文本描述弥合未见模态

Soyeon Hong, Jinchan Kim, Jaegook You, Seungtaek Choi, Suha Kwak, Hyunsouk Cho

机构 * Department of Artificial Intelligence, Ajou University, Suwon, South Korea ； Division of Language \& AI, Hankuk University of Foreign Studies, Seoul, Korea ； Graduate School of AI, POSTECH, Pohang, Korea ； Department of Software, Ajou University, Suwon, South Korea 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI、cs.LG

AI总结 TextME通过仅使用文本描述实现跨模态扩展，无需配对监督，有效弥合不同模态间的差距。

Comments Code available at https://github.com/SoyeonHH/TextME

SelfAI: A self-directed framework for long-horizon scientific discovery

SelfAI: 一种用于长周期科学发现的自导向框架

Xiao Wu, Ting-Zhu Huang, Liang-Jian Deng, Xiaobing Yu, Yu Zhong, Shangqi Deng, Ufaq Khan, Jianghao Wu, Xiaofeng Liu, Imran Razzak, Xiaojun Chang, Yutong Xie

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Xian Jiaotong University（西安交通大学） ； Yale University（耶鲁大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Monash University（莫纳什大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI、cs.LG

AI总结 SelfAI是一种自导向的多智能体系统，通过自动化科学探索的策略性轨迹决策，实现高效、可重复的长周期科学发现。

Competition for attention predicts good-to-bad tipping in AI

注意力竞争预测AI中的好到坏的 tipping

Neil F. Johnson, Frank Y. Huo

专题命中 领域大模型 ：language model(abstract)；分类 cs.AI

AI总结 本文提出通过注意力竞争预测AI中的 tipping 点，揭示新的控制方法，适用于多领域和法律环境。

Make Some Noise: Unsupervised Remote Sensing Change Detection Using Latent Space Perturbations

在潜空间中制造噪声：利用潜空间扰动的无监督遥感变化检测

Blaž Rolih, Matic Fučka, Filip Wolf, Luka Čehovin Zajc

机构 * University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅那大学计算机与信息科学学院） 纠错

专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI

AI总结 MaSoN通过在潜在特征空间中生成多样化变化，实现了无监督遥感变化检测的端到端框架，提升了多种变化类型的泛化能力和性能表现。

DoAtlas-1: A Causal Compilation Paradigm for Clinical AI

DoAtlas-1：一种用于临床AI的因果编译范式

Yulong Li, Jianxu Chen, Xiwei Liu, Chuanyue Suo, Rong Xia, Zhixiang Lu, Yichen Li, Xinlin Zhuang, Niranjana Arun Menon, Yutong Xie, Eran Segal, Imran Razzak

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI

AI总结 DoAtlas-1通过因果编译范式将医学证据转化为可执行代码，提升临床AI的可审计性和可验证性。

Feedback-based Automated Verification in Vibe Coding of CAS Adaptation Built on Constraint Logic

基于反馈的自动验证在CAS适应中的Vibe编码实现

Michal Töpfer, František Plášil, Tomáš Bureš, Petr Hnětynka

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出通过Vibe编码反馈循环结合精确约束逻辑，实现CAS适应中AM的自动验证与生成，有效提升代码正确性与适应性能。

Open-vocabulary 3D scene perception in industrial environments

工业环境中的开放词汇3D场景感知

Keno Moenck, Adrian Philip Florea, Julian Koch, Thorsten Schüppstuhl

机构 * Hamburg University of Technology, Institute of Aircraft Production Technology（汉堡工业大学航空生产技术研究所） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 本研究提出了一种无需训练的开放词汇3D感知流程，通过合并预计算超点生成掩码，提升工业环境中的3D场景感知能力。

MedVAR: Towards Scalable and Efficient Medical Image Generation via Next-scale Autoregressive Prediction

MedVAR：通过下一步尺度自回归预测实现可扩展和高效的医学图像生成

Zhicheng He, Yunpeng Zhao, Junde Wu, Ziwei Niu, Zijun Li, Bohan Li, Lanfen Lin, Yueming Jin

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 MedVAR通过下一步尺度自回归预测方法，实现了高效且可扩展的医学图像生成，为医学生成基础模型提供了新的方向。

Comments 23 pages, 8 figures